Un mayorista suministra ropa a miles de tiendas y necesita un modelo que prediga las ventas diarias por artículo por tienda. Más de la mitad de las tiendas tienen menos de seis meses. Las ventas son consistentes semana a semana. El conjunto de datos actual se agrega semanalmente y omite las semanas sin ventas. Cinco años de datos (100 MB) están en el almacenamiento en la nube. ¿Qué problemas es probable que perjudiquen el rendimiento de las previsiones y qué medidas debe tomar para solucionarlos? (Elija dos).

La dificultad para detectar la estacionalidad en tiendas nuevas se debe a su historial limitado. Al solicitar atributos categóricos a nivel de tienda (como tipo de tienda, tamaño, ubicación), se pueden agrupar tiendas nuevas con tiendas más antiguas y similares que tienen un historial de ventas más extenso, permitiendo que el modelo aprenda patrones estacionales de estas últimas. Los datos agregados semanalmente impiden la predicción diaria. Para un modelo que prediga ventas diarias, es fundamental tener datos a nivel diario. Solicitar registros de ventas diarios del sistema de origen permitirá construir un modelo de previsión con la granularidad requerida. Las otras opciones son menos efectivas o incorrectas. Los datos de ventas no carecen de varianza solo por ser de una industria; añadir datos externos de otras industrias podría introducir ruido. La falta de períodos de cero ventas es un problema, pero la agregación semanal y la falta de historial son más críticas para la estacionalidad y la granularidad diaria. 100 MB de datos pueden ser suficientes, y duplicar el historial no garantiza una mejora significativa si los problemas fundamentales persisten.